[发明专利]一种双目视觉匹配代价聚合优化方法

权利要求书

1.一种双目视觉匹配代价聚合优化方法，其特征在于，包含以下步骤：

步骤一.采用census算法对左右图像进行匹配，计算出左图像在右图像中相应点视差范围内的代价值，获取到每个点视差范围内的代价数组；

步骤二.计算出每个点视差范围内的代价方差，如果代价的离散程度较高说明有遮挡物或者左右图像存在不一致问题，该点被标记为误差，最终形成误差掩码方案；

步骤三.进行代价聚合，结合误差掩码方案将误差代价进行排除，计算出每个点的聚合结果；

步骤四.分析各条路径数据相关性，将代价聚合过程中无相关路径和数据进行拆分隔离。

2.根据权利要求1所述的一种双目视觉匹配代价聚合优化方法，其特征在于，所述步骤一：

采用census算法对左右图像进行匹配，即在图像区域定义一个矩形窗口，用这个矩形窗口遍历整幅图像；选取中心像素作为参考像素，将矩形窗口中每个像素的灰度值与参考像素的灰度值进行比较，灰度值小于或等于参考值的像素标记为0，大于参考值的像素标记为1，最后再将它们按位连接，得到变换后的结果，变换后的结果是由0和1组成的二进制码流；Census变换的实质是将图像像素的灰度值编码成二进制码流，以此来获取邻域像素灰度值相对于中心像素灰度值的大小关系，具体公式可以表述为：

x是窗口中心像素，y是窗口中心像素以外的其他像素，Nx表示中心像素x的邻域，I(x)是窗口中心像素的灰度值，I(y)是窗口除中心像素x以外的其他像素的灰度值；

根据变换的census结果和左图像中的像素，按照行计算右图在视差范围内的汉明距离，即代价值：

C(p,d)＝hamming(T_l(p),T_r(q))p≤q(p+D)

其中D为视差范围，d代表每个视差，p代表左图像中像素点的位置，q代表右图像中的像素点位置，根据左图像中的像素点位置查找在视差范围内的右图像中的相似匹配度，即每个像素点都有D数目的相似匹配度。

3.根据权利要求1所述的一种双目视觉匹配代价聚合优化方法，其特征在于，所述步骤二：

代价聚合之前首先求出每个像素点的视差范围均值：

其中p代表一个像素点的位置(col,row),D代表的是视差范围，d代表每个视差其值为0≤d≤D-1,利用标准差来识别出每个像素点视差范围内的代价值的离散程度：

σ(p)为该像素点的视差范围之内的代价标准差，代表该点的代价离散程度，代价值过于离散说明有遮挡物或者左右图像存在不一致问题，当周围点向它平滑时会引起误差，最终导致周围点视差被该点强制平滑而造成视差值误差。

4.根据权利要求1所述的一种双目视觉匹配代价聚合优化方法，其特征在于，所述步骤三：

每个点同时按照一个方向进行聚合，最后再将各个方向聚合的结果再次重新聚合，其代价聚合公式为：

其中R为各个方向，分别为4，8，16，

Ag_r^′(p,d)为各个方向代价聚合，结合前面掩码误差点排除，公式可以进一步演进为

R为各个方向,p代表一个像素点(col,row),d代表视差；P1，P2为相邻点的惩罚系数，其中Mask(p)为零时，误差点将不进行聚合。

5.根据权利要求1所述的一种双目视觉匹配代价聚合优化方法，其特征在于，所述步骤三：

通过设定标准差经验阈值判断离散程度是否在合法之内，

超过标准差阈值则说明离散程度过高标记为误差点，代价聚合时将排除该点不进行代价聚合。

6.根据权利要求5所述的一种双目视觉匹配代价聚合优化方法，其特征在于：结合第一步误差mask继续进行误差点排除：

当在视差范围之内，最大代价值与最小值之差绝对值大于Diff时，将其判断为两者值在视差范围之内相差太大则认为其存在突变点，计算出的代价值不可靠，不可做累计匹配参考点；

经过两次排除之后，会形成与图片分辨率大小相同的掩码方案，掩码为1为该点代价不可靠，代价聚合累积时不可作为其参考点。

7.根据权利要求1所述的一种双目视觉匹配代价聚合优化方法，其特征在于，所述步骤四：

同一条路径之内同一个方向在一张图可以拆分成多条相并行的路径，其公式可以演进为：

根据Ag_r^′(p,d)每个点由D个元素的数组组成，TAg_r^′代表聚合之后的代价值，p代表一个像素点(col,row),d代表视差；P为同一组图片内相同方向拆分的路径，D范围的cost最小值在数组中的位置将是每个点视差，通过3*3中值滤波进一步将孤立视差进行排除。